CAM可视化卷积神经网络_cam 卷积神经网络-CSDN博客

CAM全称 Class Activation Mapping，分类热力图。目的帮助我们理解模型在预测时关注图像的哪些部分，验证模型的可解释性。

图像分类

回忆下，在CNN的最后一个卷积层之后，用全局平均池化（池化这个词不好，一看到这个我想到水池，化粪池，其实功能是粗采样，你们说对不对吧）得到每个通道的平均值，然后通过一个全连接层输出分类结果。

输入图像->卷积层->特征图->全局平均池化层->全连接层->分类得分

全连接层里是权重矩阵，对吧，就是一个分类有一个权重向量，每次反向更新。权重向量长度就是通道数。

我们算出得分是哪个分类，然后取那个分类的权重向量。那么我们将这些权重乘以原始的特征图，得到一个热力图，表示模型对图像不同区域的关注程度。

注意：这里是乘以特征图，并非原图。

【权重乘以所有通道的特征图后，怎么看】

比如通道512个，每个通道是一张28*28的图。权重向量shape是[512]。特征图本身啥看不出，

你要把特征图*权重后相加，再归一化，再叠加到原始图上，才能看出效果。我的最简单的，特征图还能看出苹果的噢。

【啥是热力图】

import cv2
import numpy as np

size=500
cam = np.zeros((size,size))

center_x,center_y=200,200
radius=100

for i in range(size):
    for j in range(size):
        distance = np.sqrt((i-center_x)**2 + (j-center_y)**2)
        if distance <= radius:
            cam[i,j] = np.exp(-distance**2/(2 * (radius/2)**2))
cam = np.uint8(255*cam)

heatmap = cv2.applyColorMap(cam,cv2.COLORMAP_TURBO)

img = cv2.imread("d:\\aaaa.jpg")


overlay= cv2.addWeighted(heatmap,0.4,img,0.6,0)
cv2.imshow("overlay image",overlay)
cv2.waitKey(0)
cv2.destoryAllWindows()

图像分类